一看就会！四种策略改进的蜣螂算法求解三维无人机路径规划！原理公式详解！附赠与原算法对比！出图美观直接用！

���录

先上结果图：

无人机路径规划结果三维图

无人机路径规划结果二维图

迭代200次后，算法的收敛曲线图：

迭代200次后，两种算法的飞行路线直方图：

改进蜣螂算法原理详解：

改进点1：改进雏球和偷窃蜣螂对最优解的接受程度

改进点2：麻雀搜索算法追随者位置更新机制

改进点3：麻雀搜索算法追随者位置更新机制

改进点4：柯西高斯变异

三维无人机路径规划模型原理详解：

一、环境模型

二、飞行路径及平滑处理

（1）路径平滑基函数及粒子位置点

（2） 曲线插值

三、约束条件

四、目标函数

部分代码展示（Matlab语言）：

完整代码获取：

---

大家在改进智能优化算法的时候，传统的工程应用已经吸引不了审稿人的注意，非常容易被拒稿！今天为大家带来一期多策略改进的蜣螂算法求解三维无人机路径规划代码，适合作为创新点！同时也附赠与原DBO算法的对比，具体代码已放在最后，需要代码的朋友可直接拉到最后~

学会这一篇后，其他优化算法也可以替换！可随机导入地图！也可导入固定地图！

先上结果图：

无人机路径规划结果三维图

无人机路径规划结果二维图

迭代200次后，算法的收敛曲线图：

注意！细心的小伙伴可能会发现某些算法或多次运行后并不是从0开始迭代显示迭代次数，这是因为无人机三维路径规划与其他的应用不一样，需要考虑多种约束条件，较为复杂，因此可能前几次迭代还没有找到飞行路径长度，到后期才开始找到并显示，这是非常正常的情况！

当然，这里我因为时间关系只运行了200次，实际操作500次或1000次可能会运行出更好的效果！可根据自己的需求进行调整！

迭代200次后，两种算法的飞行路线直方图：

可以看到，改进后的MIDBO比原始DBO路径长度有明显减少，但也请注意，由于优化算法具有较强随机性，未必每一次运行的效果均相同~

改进蜣螂算法原理详解：

首先看看我们的蜣螂算法是如何改进的：

改进点1：改进雏球和偷窃蜣螂对最优解的接受程度

雏球和偷窃蜣螂会不停的向局部最优位置和全局最优位置靠近，但在算法前期，应尽量扩大群体的搜索范围，快速向局部最优位置或全局最优位置靠近虽然能使算法快速收敛，但也有一定的概率令算法陷入停滞，导致无法收敛到全局最优解。因此，设计一种根据蜣螂搜索能力的强弱（适应度大小）动态改变雏球和偷窃蜣螂对局部最优位置或全局最优位置的接受程度的策略。具体方法如下：将蜣螂群体根据搜索能力（适应度值优劣）排序，雏球和偷窃蜣螂根据自身搜索能力的更新位置方式如下：

改进点2：麻雀搜索算法追随者位置更新机制

麻雀搜索算法(SSA)是受麻雀觅食行为和反捕食行为启发而提出的新型群智能算法，麻雀根据个体适应度的不同分为发现者、追随者和侦查者。发现者适应度值高，占群体数量的 10%-20%，为追随者提供觅食区域与方向。在麻雀种群中，追随者负责跟随发现者寻找食物，追随者的位置更新如下式：

改进点3：麻雀搜索算法追随者位置更新机制

SSA具有收敛精度高、收敛速度快、鲁棒性强等特点，在函数优化问题方面，优于粒子群算法，灰狼优化算法等群智能算法。因此，将麻雀搜索算法中追随者的位置更新机制作为一种扰动策略引入蜣螂优化算法，定义麻雀搜索算法中的发现者最优位置对应蜣螂优化算法中的全局最优位置。若扰动性太强，群体容易陷入混乱无序状态；若扰动性太弱，扰动策略将不能发挥作用；因此，根据迭代深度自适应改变扰动概率，并采用贪婪策略决定是否保留此次扰动，扰动概率如下式所示：

由图可知，在迭代前期，扰动概率较大，可充分发挥麻雀追随机制扰动的作用，达到提升种群质量，提高算法寻优性能的作用；在迭代后期，扰动概率逐渐减小，起到加快算法收敛速度的效果。具体扰动步骤如下：a)根据式(13)计算第i个个体的扰动概率pv；b)生成随机数rÎ(0,1)，若r